MCMC bei fehlenden Daten
MCMC bei fehlenden Daten ist eine Bayes'sche Berechnungsstrategie, die unbeobachtete Werte als zusätzliche unbekannte Parameter behandelt. Durch den Wechsel zwischen der Stichprobenziehung der fehlenden Werte aus ihrer prädiktiven Verteilung und der Stichprobenziehung der Modellparameter aus ihrer Posterior-Verteilung erzeugt der Algorithmus eine gültige gemeinsame Posterior-Verteilung, die die durch die Fehlwerte verursachte Unsicherheit vollständig berücksichtigt.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Quellen
- Little, R. J. A. & Rubin, D. B. (2002). Statistical Analysis with Missing Data (2nd ed.). Wiley. ISBN: 978-0471183860
- Tanner, M. A. & Wong, W. H. (1987). The calculation of posterior distributions by data augmentation. Journal of the American Statistical Association, 82(398), 528-540. DOI: 10.1080/01621459.1987.10478458 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/de/bayesian/mcmc-with-missing-data
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayessches hierarchisches ModellBayes-Statistik↔ compare
- Bayes'sche Inferenz bei fehlenden DatenBayes-Statistik↔ compare
- Gibbs-SamplingBayes-Statistik↔ compare
- Hamiltonian Monte CarloBayes-Statistik↔ compare
- Metropolis-Hastings-AlgorithmusBayes-Statistik↔ compare
- Multiple Imputation – MICEStatistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →